《模式识别与机器学习》第一章

C1

符号含义
x\bold xx:向量,曲线拟合问题中的x坐标数值序列。元素个数为N。
t\bold tt:向量,曲线拟合问题中的y坐标(target)数值序列。
w\bold ww:向量,曲线拟合问题中的待估计的参数,即M阶多项式的各阶系数。
β\betaβ: 标量,协方差的倒数,表示样本的精度。
α\alphaα:标量,同上,曲线拟合例子中的先验的精度。

多项式曲线拟合
E(w)=12∑n=1N{ y(xn,w)−tn}2 E(w) = \frac{1}{2}\sum_{n=1}^N{\{y(x_n,w)-t_n}\}^2 E(w)=21n=1N{ y(xn,w)tn}2
RMS
ERMS=2E(w)N E_{RMS}=\sqrt {\frac{2E(w)}{N}} ERMS=N2E(w)

观测数据的多少,影响曲线拟合情况:同样的模型,如较少的数据会导致严重过拟合,较多的数据会使得拟合更接近理想模型。多项式的阶数影响拟合的结果。
控制过拟合现象的一种方法,
E(w)=12∑n=1N{ y(xn,w)−tn}2+λ2∥w∥2 E(w) = \frac{1}{2}\sum_{n=1}^N\{ {y(x_n,w)-t_n}\}^2+\frac{\lambda}{2}\|w\|^2 E(w)=21n=1

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值